待验证50% 置信事实精确时间

LLM 存在 Context Rot 现象：载入 Token 越多，召回精度越低；官方建议 Skill 超过 500 行就该拆分，实战者更倾向控制在 200 行以内。

1

来源数

50%

置信度

长期有效

时效性

2026/10/21

首次发现

来源

AI Agent Skill编写与调用指南：从能用到好用

涉及实体

LLMconcept Context Rotconcept Skillconcept

相关事实

已验证RAG技术解决了LLM的两个根本缺陷：训练数据的时效性限制和幻觉问题64% 相似待验证LLM 推理耗时较长，使 MCP 驱动的游戏智能体更适合回合制或节奏较慢的对战场景63% 相似待验证针对 LLM 幻觉式补全的工程缓解手段包括：设置最小 token 阈值、引入「不确定性」类别输出、以及用检索结果而非参数记忆来约束生成，这与 RAG 的设计动机一脉相承。63% 相似待验证减少 LLM 调用通常会牺牲任务完成质量，但 ChunkAct 通过消除冗余推理使规划器更专注于真正需要判断的环节，从而同时改善成功率和效率63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1081468

API

curl https://kongchang.com/api/v1/knowledge/claims/1081468

MCP

get_claim(id=1081468)